Estimasi parameter model seasonal autoregressive integrated moving average dengan metode kalman filter

INDONESIA:

Seasonal Autoregressive Integrated Moving Average (Seasonal ARIMA) merupakan model peramalan data yang mengandung unsur musiman. Kalman Filter merupakan metode estimasi yang optimal. Komponen dasar dari metode Kalman Filter adalah persamaan pengukuran dan persamaan transisi dengan menggunakan data pengukuran untuk memperbaiki hasil estimasi.Tujuan dari penelitian ini adalah mengetahui proses dan hasil estimasi parameter model ARIMA menggunakan metode Kalman Filter pada data jumlah curah hujan di Kota Semarang mulai tahun 2005 sampai dengan 2011.

Estimasi parameter model ARIMA menggunakan metode Kalman Filter terdiri dari beberapa tahap yaitu identifikasi data curah hujan, uji kestasioneran data, estimasi parameter dengan metode Kalman Filter. Hasil dari penelitian ini menunjukkan bahwa model ARIMA dengan metode Kalman Filter merupakan model yang sesuai ketika diterapkan pada data jumlah curah hujan di Kota Semarang. Bentuk estimasi parameternya adalah sebagai berikut

ENGLISH:

Seasonal Autoregressive Integrated Moving Average (Seasonal ARIMA) is a data forecasting model that contains seasonal elements. Kalman Filter is the optimal estimation method. The basic components of the Kalman Filter method are measurement equations and transition equations by using measurement data to improve estimation results. The purpose of this study is to know the process and the results of the ARIMA parameter estimation model using the Kalman Filter method on rainfall amount data in Semarang City from 2005 to 2011.

The parameter estimation of the ARIMA model using the Kalman Filter method consists of several stages, namely identification of rainfall data, data stationary test and parameter estimation using the Kalman Filter method. The results of this study indicate that ARIMA model with the Kalman Filter method is an appropriate model when applied to rainfall amount data in Semarang City. The form of parameter estimation is as follows